의사결정나무 분석을 활용한 생애주기별 1인 임차가구의 주거비 과부담 결정요인에 관한 연구

추예린; 김소연; 김난도

추천

검색

자료유형: 학술저널

저자정보: 추예린 (서울대학교) 김소연 (서울대학교) 김난도 (서울대학교)

저널정보: 한국소비자학회 소비자학연구 소비자학연구 제34권 제3호

발행연도: 2023.6

수록면: 159 - 188 (30page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

본 연구는 불안정한 주택임대차시장에서 홀로 살아가는 1인 임차가구의 주거 현황을 파악하고, 주거비 과부담 경험의 가능성이 높은 1인 임차가구의 특성을 제시하는 분류규칙을 도출하고자 하였다. 특히, 1인가구를 하나의 동질적인 분석집단으로 여기지 않고, 생애주기 단계에 따라 청년기(20~39세), 중․장년기(40~64세), 노년기(65세이상)로 구분하여 각 연령대별 주거비 과부담 결정요인을 분석하였다는 점에서 선행연구들과의 차별점을 가진다. 이에 본 연구에서는 2020년 주거실태조사 를 활용하여 생애주기별 1인 임차가구의 월소득 대비 주거비비율인RIR(Rent to Income Ratio)을 산출하고, 머신러닝의 분류기법인 의사결정나무 분석을 적용해 해당 지표의 기준치 30% 초과 여부에 따라 1인 임차가구의 주거비 과부담 가능성이 높은 집단을 분류하였다. 이때, 주거비 과부담을 경험한 가구주의 비율이 경험하지 않은 비율에 비해 과도하게 높은 불균형 데이터 문제가 있었고, 이를 해결하기 위해 과대표집, 과소표집, 양쪽표집, ROSE 기법을 적용하여 분류모형의 성능을 개선하였다. 분석결과, 전 연령대에서 월평균 총 경상소득이 하(1-4분위) 수준인 경우 모두 주거비 과부담 집단으로 분류되어전체 1인 임차가구 중에서도 특히 저소득층 가구주의 주거비 부담 완화를 위한 정책적 개입의 정당성을 확인하였다. 생애주기 주거비 과부담 결정요인을 면밀히 살펴본 결과는 다음과 같다. 먼저, 청년기는 월평균 총 경상소득, 거주지역, 주택유형이 도출되었고, 특히, 중(5-8분위)의 소득수준을 보이며, 수도권 오피스텔에 거주하는 집단 중67%가 주거비 과부담을 경험하는 것으로 나타났다. 중․장년기는 월평균 총 경상소득, 주거면적, 거주지역, 주거환경만족도, 주택유형이 도출되었고, 높은 확률로 중(5-8분위), 상(9-10분위)의 소득수준을 보유한 상태이거나, 36m^2 이상 57m^2미만 주거면적의 수도권 주택에 거주하며 주거환경에 대해 만족할 때 60%가 주거비 과부담을 경험하는것으로 나타났다. 노년기는 월평균 총 경상소득, 주거면적, 거주기간, 연령, 주택점유형태가 도출되었다. 하(1-4분위)의 소득수준을 가지고, 주거면적이 29m^2이상 40m^2미만인 주택에서 3.5년 이상의 거주기간을 보냈으며, 75세이상의 초고령자이고, 월세 형태의 임차가구주인 경우 중 26%가 주거비 과부담을 경험하는 것으로 확인되었다. 이상의 연구결과를 통해 1인 임차가구의 주거안전성을 높일 수 있는 생애주기 단계에 따른 주거복지정책 마련을 위한기초자료로써 함의를 제공할 수 있을 것으로 기대된다.

This study sought to identify the housing status of single-person rental households living alone in the unstable housing rental market and to derive classification rules that present the characteristics of single-person rental households with high possibility of overburden housing costs. In particular, single-person households are not regarded as a homogeneous analysis group, but are different from previous studies in that they analyzed the determinants of housing cost and burden for each age group by dividing them into adolescence(20-39years old), middle age(40-64years old) and old age(65years old or older). Accordingly, in this study, the RIR(Rent to Income Ratio), which is the ratio of housing costs to monthly income of single-person rental households by life cycle, was calculated using the 2020 Korea Housing Survey . The decision tree analysis, a classification technique of machine learning, was applied to classify groups with a high possibility of overburden of housing costs for single-person rental households depending on whether the standard value of the index exceeded 30%. At this time, there was an unbalanced data problem in which the proportion of household owners who experienced housing costs and burdens was excessively high compared to the proportion who did not experience them. To solve this problem, the performance of the classification model was improved by applying over-sampling, under-sampling, both-sampling, and ROSE techniques. As a result of the analysis, all cases where the average monthly recurring income is low in all age groups were classified as overburdened groups, confirming the legitimacy of policy intervention to lower the housing cost burden of low-income single-person rental households. By life-cycle, in adolescence, average monthly recurring income, residential district, and housing type were derived. In middle age, average monthly recurring income, residential area, residential district, residential environment satisfaction, and housing type were derived. In old age, average monthly recurring income, residential area, residence period, age, and housing occupancy type were derived. Through the above research results, it is expected to provide implications as basic data for preparing housing welfare policies for each life cycle that can increase the housing safety of single-person rental households.

#주거비과부담 #생애주기 #1인가구 #불균형데이터 #의사결정나무 #Overburden of housing cost #Life cycle #Single-person households #Unbalanced data #Decision Tree Analysis

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

추예린

소속기관 서울대학교

주요연구분야 자연과학 > 생활과학 사회과학 > 경제학

논문수 2 이용수 55

김소연

소속기관 서울대학교

주요연구분야 사회과학 > 경영학 자연과학 > 생활과학

논문수 16 이용수 4,003

김난도

소속기관 서울대학교

주요연구분야 사회과학 > 경영학 사회과학 > 교육학

논문수 15 이용수 1,468

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)